Espacios de inferencia amplio, estricto e intermedio (“Broad, narrow and intermediate inference spaces”) McLean et al. (1991) discuten algunas ideas de espacios de inferencia. Consideremos el siguiente ejemplo: El Departamento de Transportación desea realizar un estudio para evaluar la erosión del suelo en áreas con pendiente cercanas a futuras autopistas. Entre las posibles especies a ser usadas, se tomó una muestra aleatoria de 6 especies vegetales nativas que podrían servir como cobertoras (es decir que crecen en forma rastrera y podrían controlar la erosión). En un área con pendiente cercana a una futura autopista se dispusieron 24 parcelas. En el mes de enero se sembraron 12 de estas parcelas aleatoriamente escogidas (dos parcelas con cada especie) y en el mes de junio se sembraron las otras 12 parcelas (dos parcelas con cada especie). Se midió el porcentaje de cobertura del suelo a los dos años de implantadas las parcelas. En este ejemplo el factor especie (6 niveles) es aleatorio y el factor época de siembra (2 niveles) es fijo. Si lo que nos interesa es comparar las épocas de siembra entre sí para todas las especies posibles (no las 6 que realmente probamos), entonces estamos ante un espacio de inferencia amplio. Solamente contrastaremos los efectos de los dos niveles de especie (fijos). Si, por el contrario, nos interesa comparar las dos épocas para las seis especies consideradas en nuestro experimento estamos ante un espacio de inferencia estricto. El contraste correspondiente tendrá que promediar los efectos de especie y de interacción para reflejar este hecho. Los valores numéricos de los contrastes estimados serán iguales, pero los errores estándar no lo serán: la comparación en el espacio de inferencia amplio tendrá un error estándar mayor. Este concepto se relaciona mucho con el concepto de inferencia promedio poblacional y sujeto específica, aunque esta terminología es más comúnmente usada en áreas de aplicaciones médicas. Un espacio de inferencia intermedio se presenta cuando algunos de los efectos aleatorios se promedian, y otros se ignoran. Por ejemplo, en el experimento para estimar heredabilidad del rendimiento en trigo (analizado la clase pasada) se puede predecir el rendimiento de una familia dada en una localidad dada para el promedio de los tres bloques estudiados, o para la población de todos los posibles bloques que se podrían hacer en esa localidad. Experimentos Multi-ambientales Numerosos estudios en agricultura y forestería se conducen en varios ambientes. La característica de este tipo de experimentos es que en general, los ambientes elegidos, intentan representar una población relativamente mayor de ambientes. Dentro de cada ambiente se evalúan generalmente dos o más tratamientos bajo un cierto diseño experimental con o sin repeticiones. Los siguientes modelos representan distintas posibilidades para experimentos de este tipo. (Modelo A): Yij ti eij (Modelo B): Yij ti aj eij ; a ambiente (Modelo C): Yijk ti aj ( ta ) ijk eijk (Modelo D): Yijk ti aj ( ta ) ijk b ( a ) kj (Modelo Mixto): a j y ( ta ) ij aleatorios iid N(0, eijk 2 a ) y N(0, 2 ta ) En el Modelo A se ignora que los datos provienen de múltiples ambientes, en el Modelo B se incorpora el efecto del ambiente pero se supone que éste no interactúa con los tratamientos; este modelo podría ajustarse tanto en situaciones con repeticiones dentro de ambiente como en casos donde existe una única observación para cada tratamiento por ambiente. Corresponde al modelo de un diseño en bloques, los efectos de ambiente (bloque) podrían ser considerados como fijos o aleatorios según los supuestos que se hagan respecto a los ambientes incorporados en el experimento. En el Modelo C se incorpora la interacción entre tratamiento y ambiente, se necesitan n>1 observaciones por tratamiento dentro de cada ambiente para poder estimar los parámetros relacionados a la interacción. El modelo D es parecido al Modelo C pero para situaciones donde existe un diseño en bloques dentro de cada ambiente. Los tres últimos modelos pueden ajustarse como modelos mixtos si los efectos de ambiente (y/o tratamiento) se consideran como variables aleatorias; aquí se ha supuesto que los efectos de ambiente y por ende los efectos de la interacción tratamiento×ambiente son aleatorios. Los principales objetivos de los experimentos multiambientales son: (1) comparar el desempeño de los tratamientos en base a dos tipos de inferencia: inferencia en sentido amplio e inferencia específica de ambiente y (2) estimar e interpretar los componentes de la interacción. Al ser la interacción aleatoria deben realizarse supuestos distribucionales para los efectos de interacción, e interpretarse que las diferencias entre tratamientos varían aleatoriamente a través de los ambientes. La inferencia de resultados se hará con respecto a la población de ambientes o de tratamientos si es que éstos son considerados aleatorios. La precisión de las estimaciones relacionadas a efectos de tratamientos será diferente en el modelo con interacción aleatoria respecto a los otros modelos. En general los errores estándares de las diferencias entre medias de tratamiento se incrementan en el modelo de efectos aleatorios para considerar que el espacio de inferencia se amplía. Es natural asumir que el conjunto de observaciones provenientes del mismo ambiente tenderá a estar correlacionada. Variables latentes asociadas con cada ambiente pueden causar dependencias entre las respuestas de los tratamientos o efectos de factores de interés observados en un mismo ambiente. Más aun, el comportamiento de los tratamientos a través de los ambientes puede generar un patrón estructurado de dependencias entre los términos de la interacción tratamiento×ambiente. Los modelos mixtos con efectos de interacción aleatorios han recibido particular atención, éstos permiten modelar la matriz de covarianza de medias de tratamiento dentro de ambiente (Kang et al., 2004). Referencias Kang M, Balzarini M and J. Guerra. 2004. Genotype-by-Environment interaction. In A. Saxton (ed.) Genetic Analysis of Complex Traits Using SAS. pp 69-94. BBU Press. SAS Institute, Cary NC. McLean R.A., Sanders W.L. y Stroup W.W. 1991. A unified approach to mixed linear models. American Statistician 45: 54-64.